用于组织病理学图像合成的增强型 Sharp-GAN
图像与视频处理
2023-01-25 v1 计算机视觉与模式识别
摘要
组织病理学图像合成旨在解决训练深度学习方法进行准确癌症检测时的数据短缺问题。然而，现有方法难以生成具有准确细胞核边界和较少伪影的真实图像，这限制了其在下游任务中的应用。为应对这些挑战，我们提出了一种新方法，利用细胞核拓扑和轮廓正则化来提升合成图像的质量。该方法使用细胞核的骨架图来整合细胞核拓扑并分离相互接触的细胞核。在损失函数中，我们提出了两个新的轮廓正则化项，用于增强轮廓像素与非轮廓像素之间的对比度，并增加轮廓像素之间的相似性。我们在两个数据集上使用图像质量指标和一项下游任务（细胞核分割）对所提方法进行了评估。所提方法在两个数据集上的四项图像质量指标中均优于 Sharp-GAN。通过将所提方法生成的 6k 张合成图像整合到训练中，一个细胞核分割模型在 TNBC 数据集上取得了最先进（state-of-the-art）的分割性能，其检测质量（DQ）、分割质量（SQ）、全景质量（PQ）和聚合 Jaccard 指数（AJI）分别为 0.855、0.863、0.691 和 0.683。
引用
@article{arxiv.2301.10187,
title = {Enhanced Sharp-GAN For Histopathology Image Synthesis},
author = {Sujata Butte and Haotian Wang and Aleksandar Vakanski and Min Xian},
journal= {arXiv preprint arXiv:2301.10187},
year = {2023}
}